Dans une étude récente publiée dans Psychiatrie Moléculaireles chercheurs ont réalisé une imagerie par résonance magnétique de type structurel (IRMs) pour développer un classificateur d’apprentissage automatique et distinguer les modèles neuroanatomiques entre les contrôles sains (HC) et ceux développant une maladie psychotique (CHR-PS+).
Étude: Utiliser des mesures de neuroimagerie structurelle cérébrale pour prédire l’apparition de la psychose chez les personnes présentant un risque clinique élevé. Crédit d’image : Nomad_Soul/Shutterstock.com
Arrière-plan
L’IRM structurelle est utilisée pour diagnostiquer des maladies, même si sa capacité à déterminer la psychose n’est pas claire. Le paradigme du risque clinique élevé (CHR) facilite le diagnostic précoce et la prévention des troubles psychotiques.
Les individus présentant un risque cliniquement élevé sont plus susceptibles de développer une psychose que les témoins sains ; cependant, la majorité ne fait pas de transition ou présente des symptômes réduits.
L’état du CHR est en corrélation avec les changements dans l’anatomie du cerveau, notamment le volume de matière grise, la surface corticale et l’épaisseur corticale. Les résultats de l’IRM transversale révèlent que ceux du CHR avaient un scanner plus faible.
À propos de l’étude
Dans la présente étude, les chercheurs ont construit un modèle d’apprentissage automatique pour différencier les individus CHR-PS+ des HC.
Ils ont également étudié si le modèle pouvait différencier les patients CHR-PS+ des individus ne présentant aucun signe de psychose (CHR-PS-) ou de ceux dont le statut était inconnu au moment du suivi (CHR-UNK).
Les chercheurs ont collecté des images cérébrales IRMs pondérées en T1 auprès de 1 029 HC et de 1 165 individus CHR dans 21 sites ENIGMA CHR pour le groupe de travail sur la psychose. Ils ont utilisé l’atlas Desikan-Killiany et le pipeline d’évaluation de la qualité ENIGMA pour extraire des données structurelles de 153 sites d’intérêt.
Ils ont déterminé le statut cliniquement à haut risque à l’aide de l’entretien structuré pour les syndromes prodromiques (SIPS) et de l’évaluation complète des états mentaux à risque (CAARMS).
L’équipe a utilisé les outils ComBat pour normaliser les mesures de l’épaisseur corticale, de la surface et du volume sous-cortical.
Ils ont utilisé des mesures de surface corticale, d’épaisseur corticale, de volume intracrânien et de volume sous-cortical pour prévoir une conversion potentielle en psychose. Ils incluaient l’âge, le sexe, la procédure et les effets secondaires comme variables.
Les chercheurs ont appliqué des modèles additifs généralisés (GAM) aux données HC, produit des caractéristiques IRMs non linéaires corrigées en fonction de l’âge et du sexe biologique et régressé les effets de volume intracrânien.
Ils ont créé un classificateur XGBoost qui utilise les données CHR-PS+ et HC pour détecter les aberrations dans les schémas de développement neuroanatomiques. Ils ont évalué la capacité prédictive du modèle en utilisant les données restantes du site.
Les chercheurs ont évalué les performances du modèle en deux étapes, en divisant les informations en types de formation, tests, groupes indépendants et ensembles d’informations de confirmation indépendantes.
Ils ont effectué une validation externe à l’aide des ensembles d’informations de type test et de confirmation indépendante, tandis que l’ensemble de données du groupe indépendant a identifié les individus ayant le statut CHR-UNK et CHR-PS− dans tous les sites.
L’équipe a formé le modèle de classificateur final à l’aide des hyperparamètres et des données de formation optimaux et a évalué la capacité prédictive du classificateur d’apprentissage automatique par rapport aux données de groupes indépendants.
Ils ont effectué quatre comparaisons de courbes de décision et évalué le classificateur sur quatre ensembles de caractéristiques distincts : l’épaisseur corticale, la surface, les volumes sous-corticaux seuls et toutes les caractéristiques.
Ils ont utilisé le modèle démontrant les meilleures performances de prédiction en utilisant les données de confirmation indépendantes pour une analyse plus approfondie.
Résultats
L’équipe a découvert que la surface corticale régionale influençait de manière significative la catégorisation des individus du groupe CHR-PS+ de HC. Les individus des catégories CHR-UNK et CHR-PS- étaient plus susceptibles d’être identifiés comme HC.
Un classificateur de caractéristiques SA ajusté de manière non linéaire a surpassé les groupes CHR-PS+ et HC. Le modèle a obtenu une précision de 85 % en utilisant les données d’entraînement. L’équipe a obtenu la meilleure estimation en utilisant les données de test (68 %) et les données de confirmation indépendantes (73 %).
Ils ont identifié les dix meilleurs poids de caractéristiques pour séparer HC des groupes CHR-PS +, qui comprenaient les zones insula, frontale supérieure, temporale supérieure, pariétale supérieure, isthme du cingulaire, fusiforme, gyri postcentral et gyri parahippocampique.
Les individus présentant davantage de symptômes cliniques présentaient des surfaces corticales plus faibles dans les régions rostrales cingulaires antérieures, préfrontales latérales et médiales ainsi que dans le gyrus parahippocampique.
Les classificateurs basés sur l’apprentissage automatique formés sur 152 caractéristiques structurelles du cerveau par IRM ont obtenu de moins bons résultats dans l’analyse de confirmation que les classificateurs ajustés selon le sexe et l’âge.
Les chercheurs ont également tenté de distinguer les individus cliniquement à haut risque des témoins sains et les individus de la catégorie CHR-PS+ de ceux de la catégorie CHR-PS-, mais n’ont obtenu qu’une précision de 50 %.
Des différences statistiquement significatives dans les étiquettes catégorisées ont été notées, le groupe témoin sain montrant une probabilité accrue d’être classé comme témoin par rapport aux individus CHR-PS+ (73 % contre 30 %). Les données des groupes indépendants n’ont montré aucune différence entre les groupes CHR-UNK et CHR-PS-.
L’étude a révélé des différences significatives dans les étiquettes catégorisées et les probabilités projetées parmi quatre groupes de patients CHR-PS+.
Les individus CHR-PS+ différaient de ceux des autres groupes, tandis que les individus CHR-PS- se situaient entre ceux des groupes témoins sains et CHR-PS+.
Bien que la probabilité projetée variait selon l’âge et le groupe, l’équipe n’a observé aucune interaction statistiquement significative entre les groupes d’âge. Les courbes de décision ont montré que l’acquisition d’une prévision à partir du classificateur actuel entraînait un avantage net plus élevé pour la transition du découvreur CHR.
Conclusion
Dans l’ensemble, les résultats de l’étude ont montré que les analyses IRMs pourraient aider à déterminer le pronostic des individus CHR et à distinguer les individus CHR-PS+ des témoins sains.
Le modèle a obtenu une précision de 85 % dans la catégorisation en deux classes en ajustant de manière non linéaire les variables de surface corticale en fonction du sexe et de l’âge.
Les changements neuroanatomiques ont permis d’identifier les individus du groupe CHR-PS+. Les régions temporales supérieures, insulaires et frontales ont le plus contribué à distinguer CHR-PS+ des HC.
2024-02-14 16:08:00
1707918985
#modèle #neuf #dapprentissage #automatique #utilise #des #analyses #IRM #pour #prédire #lapparition #psychose
